Añadir IA al software de empresa: dónde ayuda

Incorporamos funciones de IA al software de empresa, y buena parte de las conversaciones que tenemos sobre ellas terminan con la recomendación de no hacerlo. No es modestia. Un modelo es una buena herramienta para un tipo de trabajo concreto, y una cara e impredecible para todo lo demás. Saber cuál es cuál antes de construir nada es la mayor parte del valor.

El patrón que sale mal es conocido. Se elige una función porque luce bien en una demo, normalmente una ventana de chat, y se coloca donde se ve en lugar de donde está el trabajo manual. Nadie define cómo es una respuesta correcta, así que nadie puede decir si funciona. Seis meses después sigue ahí y nadie la usa.

Cuatro tareas que hace bien

Casi todas las funciones de IA que se ganan su sitio en el software de empresa son una de estas cuatro, y cada una sustituye a una persona que lee un texto y teclea lo que ha encontrado.

1. Leer documentosFacturas de proveedores, pedidos de compra, extractos bancarios y albaranes de entrega leídos en campos estructurados. El modelo lee; después, código normal comprueba lo leído: que los totales de las líneas cuadran, que el GSTIN tiene el formato correcto, que el proveedor existe. La mayoría de los errores de extracción los detectan esas comprobaciones antes de que nadie los vea.
2. Clasificar lo que llegaConsultas, incidencias y correos dirigidos a la cola correcta, etiquetados por urgencia o marcados cuando necesitan a una persona con más experiencia. Un error solo cuesta una reasignación, y eso es lo que la convierte en una buena primera tarea.
3. Encontrar cosas en sus propios registrosRespuestas a preguntas a partir de sus documentos, políticas y registros anteriores, con la fuente citada junto a la respuesta. Sin la cita es una paráfrasis segura de sí misma que nadie puede comprobar; con ella, es una búsqueda más rápida.
4. Redactar para una personaRespuestas, cartas de presentación de presupuestos, descripciones de productos y resúmenes de conversaciones largas, preparados para que alguien los corrija y apruebe. El ahorro es real cuando corregir un borrador es más rápido que escribir desde cero, y solo entonces.

Dónde no debe decidir

Todo lo que sea un cálculo o una regla pertenece al código. La nómina, el GST, la valoración de existencias, los intereses, los descuentos y la elegibilidad tienen una única respuesta correcta que un auditor puede reconstruir, mientras que un modelo produce una respuesta verosímil que suele ser correcta. «Suele» no es un estándar con el que nadie pueda presentar una declaración.

• Cálculos fiscales y legales, incluso cuando un modelo podría explicar la regla a la perfección.
• Aprobaciones con consecuencias económicas o legales, como límites de crédito, reembolsos y cancelaciones de deuda.
• Cualquier cosa en la que la misma entrada deba dar siempre el mismo resultado.
• Hechos que no están en los datos que se le dieron. Si se le pregunta por algo que no puede ver, un modelo rellena el hueco con algo que suena correcto.

Medir antes de lanzar

El único hábito que distingue las funciones de IA que perduran de las que acaban desactivadas es un conjunto de evaluación, creado antes de la función y no después de las quejas.

1. Reunir casos realesDe sus propios documentos y mensajes, incluidos los difíciles: escaneos malos, letra manuscrita, idiomas mezclados, el proveedor cuyo formato de factura cambia cada trimestre.
2. Anotar la respuesta correctaPara cada caso, lo que habría producido una persona cuidadosa. Es tedioso, y es el paso que hace posible todo lo que viene después.
3. Medir por campo, no en conjuntoUn lector de facturas que acierta los totales y falla las fechas tiene un problema concreto y corregible. Una única cifra de precisión lo oculta.
4. Fijar un umbralPor debajo de una confianza acordada, el caso pasa a una persona en lugar de seguir adelante. El umbral es una decisión de negocio, y debe ser suya.
5. Volver a ejecutar en cada cambioUn nuevo prompt o un nuevo modelo se convierte en una comparación medida sobre el mismo conjunto, y no en un cambio que nadie se atreve a hacer.

La validación humana

Cada función de IA necesita una decisión sobre lo que ocurre sin una persona. Para la mayoría de las tareas de empresa, el punto de partida correcto es preparar borradores para aprobar y no actuar nunca sin supervisión, y ampliarlo solo en la medida en que las cifras medidas lo justifiquen.

La validación solo ahorra tiempo si comprobar es más rápido que hacer. Eso significa mostrar la fuente junto al resultado – la imagen de la factura junto a los campos extraídos, el párrafo citado junto a la respuesta – para que la persona confirme en lugar de rehacer. Una pantalla de revisión que obliga a buscar el original ha anulado el ahorro sin que nadie lo note.

Coste, velocidad y datos

• Se paga por llamada, así que la factura crece con el volumen. Calcule el volumen mensual y el tamaño de cada petición antes de construir, no después de la primera factura.
• Guarde en caché el trabajo que se repite y envíe los casos fáciles a modelos más pequeños y baratos. La mayor parte del volumen son casos fáciles.
• Fije un presupuesto de latencia. Una función que tarda muchos segundos dentro de una pantalla con mucho uso no se utilizará, por buenas que sean sus respuestas.
• Decida qué datos pueden salir de su infraestructura y oculte lo que no sea necesario enviar. Los datos personales dentro de un prompt siguen siendo datos personales según la ley DPDP de la India.
• Revise las condiciones del proveedor sobre conservación y entrenamiento. Las condiciones de las API empresariales suelen excluir el entrenamiento con los datos enviados; cuando eso no basta, un modelo de pesos abiertos puede ejecutarse en sus propios servidores.

Un primer proyecto sensato

Elija una tarea frecuente, de bajo riesgo y fácil de comprobar. Leer facturas de proveedores para crear un asiento de compra que aprueba una persona es un buen ejemplo: el volumen es real, un error se detecta al aprobar y el tiempo ahorrado es fácil de medir. Cree el conjunto de evaluación, póngala en marcha detrás de la validación y mire las cifras al cabo de un mes.

Si son buenas, la siguiente tarea es más fácil de justificar y más rápida de construir, porque el hábito de evaluar y la pantalla de revisión ya existen. Si no lo son, lo ha aprendido a bajo coste, y a veces lo que se aprende es que el problema era un formulario mal diseñado, que no necesitaba ningún modelo.